一种艺术品价格评估的方法

摘要

本发明涉及艺术品评估与预测技术领域，更具体地，涉及一种艺术品价格评估的方法，包括：步骤S1：收集数据，建立数据集；所述数据集包括艺术家数据集、艺术品数据集和舆情数据集；其中，艺术家数据集用于存储个人信息和人际关系；艺术品数据集用于存储艺术品的物品信息和交易记录；舆情数据集用于存储与艺术品、艺术家相关的舆论新闻；步骤S2：计算出艺术家数据集、艺术品数据集和舆情数据集之间的相关性；步骤S3：根据数据集之间的相关性对艺术品进行评估，获取评估价格。本发明该方法能对艺术品价格进行准确评估。

说明书

技术领域

本发明涉及艺术品评估与预测技术领域，更具体地，涉及一种艺术品价格评估的方法。

背景技术

艺术品是艺术家智力劳动成果的结晶。它作为一种特殊商品流通于艺术市场，与其他商品相同的是，它也具备普通商品的基本属性：使用价值和价值；不同的是，艺术品的使用价值体现在精神层面而不是物质层面上，它是以满足人们的某种审美需要和精神需要为目的的。因此，艺术品的使用价值受到主观因素的影响极大。

艺术品作为一种特殊商品，其市场价格与该作品作者的知名度密切相关。作者的名声越响亮，其作品的市场价格相对就高。有时候一幅相当优秀的画作，因为画家的名气所限，价格总是上不去。而一张普普通通的画，只因是出自名家之手，价格却惊人的高。题材与风格和尺寸大小也影响着艺术品的市场价格。如中国画分山水、花鸟、人物三科，中国书法有真、草、隶、篆、行五体。艺术品的尺寸对价格也有影响，通常幅式越大价格也越高，因为大幅式的书画都是给特定对象的，一般创作数量不会太多。当然有时一些比较小型的珍品，如手卷类，也会出现极高的价格。尺幅的形式、大小对于作品的卖点有一定的决定作用。艺术品价格还受到一定时代的历史背景、文化传承、艺术交流、审美心理、价值取向、经济状况、国家有关政策以及市场需求、媒介“炒作”程度等因素的制约。画廊、博物馆、经纪人、拍卖会、新闻工作媒体等作为艺术商业活动的中介，他们通过新闻炒作以提高作者的知名度或以其他方式渲染艺术品买卖气氛，对艺术品的价格起着非常重要的作用。合理的商业操作有助于促进艺术家的商业成功。健在画家的作品价格最不稳定的，其中最重要的原因就是人为的炒作。现代社会的宽松环境和开放心态，使许多人在利益的驱使力下，不择手段地包装、炒作作品，这在拍卖行中并不鲜见。拍卖行对拍卖活动的准备、展览、宣传、服务以及拍卖会现场组织能力、水平及工作质量，也会对买家的欲望产生一定的影响。正因为影响艺术品价格的因素如此之多，所以艺术品的价格往往难以评估。因此，目前亟需一种能对艺术品价格进行准确评估的方法。

发明内容

为了解决上述问题，本发明提供一种艺术品价格评估的方法，该方法能对艺术品价格进行准确评估。

本发明采取的技术方案是：

一种艺术品价格评估的方法，包括：

步骤S1：收集数据，建立数据集；

所述数据集包括艺术家数据集、艺术品数据集和舆情数据集；

其中，艺术家数据集用于存储个人信息和人际关系；

艺术品数据集用于存储艺术品的物品信息和交易记录；

舆情数据集用于存储与艺术品、艺术家相关的舆论新闻；

步骤S2：计算出艺术家数据集、艺术品数据集和舆情数据集之间的相关性；

步骤S3：根据数据集之间的相关性对艺术品进行评估，获取评估价格。

具体地，首先，对艺术家数据进行收集，数据的主要来源为搜索引擎和以wiki体系架构构建的各大知识库网站。通过搜索引擎页面收集数据，并且提取关键字，进行wiki api调用、SPARQL语言查询操作，收集数据格式主要为JSON格式。然后，对艺术品数据进行收集，包括艺术品的物品信息和交易记录，交易记录主要来自于各大可信公开数据平台。对艺术品数据批量获取后，进行数据清洗，将非结构数据，主要是字符串数据整理为可直接存储运算的结构数据。最后，对舆情数据进行收集，一般收集的方式为：对舆情信息按时间、艺术品/艺术家/事件、关键词三个维度进行收集和存储。

进一步地，所述步骤S1包括：

步骤S1.1：收集艺术家的个人信息和人际关系；

对艺术家的个人信息和人际关系依次进行路径分析、关联分析和节点聚类，以此将不同的艺术家进行关联；

根据关联后的艺术家的个人信息、人际关系建立艺术家数据集；

步骤S1.2：收集艺术品的物品信息和交易记录，根据物品信息和交易记录建立艺术品数据集；

步骤S1.3：收集数据与艺术品、艺术家相关的舆论新闻；

根据舆论新闻计算出舆论热度；

根据舆论新闻和舆论热度建立舆情数据集。

具体地，收集艺术家的个人信息和人际关系，以艺术家为节点，根据人际关系将节点连接起来，并且依次进行路径分析、关联分析和节点聚类，形成艺术家关系网络。其中，路径分析就是将节点和节点间连接后，进行图的分析，如深度、广度，计算最短路径、关键路径等；关联分析就是对常一起出现的数据进行关联度、规则等分析；节点聚类就是对大量节点进行分类，因为一般艺术家关系网络内节点不多，因此最通用的是K-Means算法。

收集艺术品的物品信息和交易记录，然后从其中提取拍卖项，再从拍卖行平台调取公开的拍卖数据，两者进行核实和更新。最终根据所有的艺术品数据制成数据库结构化表格，数据包括艺术品的作者、作品名、创作时间、分类、长、宽、成交价、拍卖行、拍卖日期、流拍、面积、成交价提升比例范围、单位面积价格等。所述交易记录为艺术品所有的交易信息，包括拍卖项和非拍卖项，拍卖项为在拍卖会上所产生的交易信息，非拍卖项为在非拍卖场合所产生的交易信息，如个人与个人/组织的交易信息。

收集与艺术品、艺术家相关的舆论新闻，计算出舆论热度，舆论热度的高低由艺术品/艺术家相关的新闻条数或新闻网页页数决定，最常用的计算方法为：(1)由新闻条数或新闻网页页数作为舆论热度的数值，数值越大舆论热度越高；(2)根据阈值设定热度级别，新闻条数或新闻网页页数超过不同的阈值，则艺术品/艺术家当时的舆论热度级别为阈值对应的等级。

进一步地，所述步骤S2包括：

步骤S2.1：从艺术家数据集、艺术品数据集和舆情数据集中提取目标艺术家的数据；

对目标艺术家的数据进行独立相关性计算；

所述目标艺术家为评估价格的艺术品所属的艺术家；

所述独立相关性为一个数据对另外一个数据产生影响的强弱；

步骤S2.2：对计算完独立相关性的数据进行联合相关性计算；

所述联合相关性为数据数量大于二的数据组对单一数据产生影响的强弱；

步骤S2.3：对计算完联合相关性的数据赋予相应的评估权重。

具体地，相关性的计算分为独立相关性计算和联合相关性计算，进行完相关性计算可根据计算结果赋予数据相应的评估权重。

进一步地，所述步骤S2.1包括：

步骤S2.11：计算目标艺术家数据和相关艺术家数据的独立相关性；

所述相关艺术家为与目标艺术家具有关联的艺术家；

步骤S2.12：计算同一时期/不同时期的目标艺术家数据中不同类型数据之间的独立相关性；

步骤S2.13：根据步骤S2.11和步骤S2.12的计算结果从艺术家数据集、艺术品数据集和舆情数据集中提取独立相关性强的数据。

具体地，首先计算目标艺术家数据和相关艺术家数据的独立相关性，独立相关性的具体计算方法为：首先，根据目标艺术家的人际关系获取与其关联的艺术家，再根据艺术家关系网络获取关联度的强弱，选取关联度强的前几位作为相关艺术家，最后获取目标艺术家与每个相关艺术家共同新闻(即目标艺术家与单独的相关艺术家出现在同一则新闻)的数量，独立相关性的强弱由共同新闻的数量决定。例如，将目标艺术家和某个相关艺术家的舆论热度进行独立相关计算，若某个相关艺术家与目标艺术家出现在同一则新闻的次数不可胜数，证明该相关艺术家的舆论热度与目标艺术家的舆论热度强相关，独立相关性的数值一般为共同新闻的数量，由独立相关性的数值可以判断目标艺术家与该相关艺术家的相关性强弱，两者所创造的艺术品交易价格是否会相互影响。

然后计算同一时期的目标艺术家数据中不同类型数据之间的独立相关性，例如，舆论新闻一般分为：交易新闻、正面新闻、负面新闻；与新闻类型分别对应的舆情类型为：交易舆情、正面舆情、负面舆情，舆情类型的值具体由新闻消息的数量决定。若交易舆情与正面舆情强相关(即正面新闻与交易新闻共同出现在同一页面，并且此种页面数量繁多)，则可以判断在同一时期内的正面新闻能促进艺术品交易，正面新闻和交易新闻相关性强。

最后计算不同时期的目标艺术家数据中不同类型数据之间的独立相关性，例如，将目标艺术家本期拍卖会的交易价格与上一期拍卖会的交易价格进行独立相关计算，若本期拍卖会交易的平均价格与上一期拍卖会最低的10个交易价强相关，可以判断艺术品在上一期拍卖中交易价格低了，在此基础上具有升值空间。因此，体现于本期拍卖会的均价上。

进一步地，所述步骤S2.2包括：

步骤S2.31：对计算完独立相关性的数据进行回归分析；

步骤S2.32：对回归分析后的结果进行T检验；

步骤S2.33：从检验结果中提取联合相关性强的数据。

具体地，联合相关性计算具体为回归分析和T检验，回归分析确定多个数据间相互依赖的定量关系，T检验能获取出统计量(t-Stat)，统计值能判断参数的显著程度，也就是参数对模型的贡献量大小，是否可以剔除。从中统计值筛选出低于阈值的统计量，剩下的都为强相关的数据。

进一步地，所述评估价格为一个区间，所述区间具有上界P

所述下界P

其中，n、m为艺术品的分类数量；i、j为当前艺术品的分类序数；q

具体地，

qA、qB、qA′、qB′和rA、rB、rA′、rB′均为稀疏矩阵，以矩阵形式存储和运算，一方面能保证不忽略某价格参数和另一个/多个参数对应的权重的对应关系，但这些矩阵为稀疏矩阵，大多数时候为0，矩阵只有对角线上有元素；即使均不为0，为了计算效率也会将极其小的值进行省略，(目前参数设计为0.003以下的值就进行省略。)因此一般简化为上述的形式。另一方面，可以使用其他矩阵运算。简要说来就是可以将参数视做向量，比如目标艺术家本次运算出来的参数是向量LFM1，下一次运算出来的为向量LFM2，可以计算LFM1和LFM2的夹角，以考察其变化程度。还可以计算目标艺术家和相关艺术家的向量夹角以考察整体的相关性，最终达到更全面精确的效果。

上述的矩阵可知，上界P

进一步地，所述价格参数q

对评估艺术品进行分类，所述分类数量为n；

根据评估艺术品的类别i获取类别相同、作者相同的所有艺术品价格；

对获取到的类别为i的所有艺术品价格的平均值进行计算；

从获取到的类别为i的所有艺术品价格中选取出高价位价格，并且算出平均值；

所述高价位价格为高于类别为i的艺术品价格平均值的价格；

所述价格参数q

对评估艺术品进行分类，所述分类数量为m；

根据评估艺术品的类别j获取类别相同、作者相同的所有艺术品价格；

对获取到的类别为j的所有艺术品价格的平均值进行计算；

从获取到的类别为j的所有艺术品价格中选取出中价位价格，并且算出平均值；

所述中价位价格为高于类别为j的艺术品价格平均值，低于的高价位价格的价格；

所述价格参数q

具体地，价格参数具有两种计算方法，两种方法最主要的区别就是基于的采用数据的不同。第一种是采用艺术品10年以上的成交记录作为数据，以最高的成交价至较为中等的成交价进行价格参数的计算。这样，能把优秀作品的估值上下界限定在较小的范围之内，相比全市场估值会有偏高的情况，比较适用于知名艺术家、优质作品和在库藏品估价。在市场上升期有较大的参考意义。

进一步地，所述价格参数q

对评估艺术品进行分类，所述分类数量为n；

根据评估艺术品的类别i获取类别相同、作者相同的所有艺术品价格；

对获取到的类别为i的所有艺术品价格的平均值进行计算；

所述平均值与价格参数q

对评估艺术品进行分类，所述分类数量为m；

根据评估艺术品的类别j获取类别相同、作者相同的所有艺术品价格；

对获取到的类别为j的所有艺术品价格的平均值进行计算；

所述平均值为价格参数q

具体地，第二种采用近5年按春秋拍成功交易的价格为数据，采用所有成功交易价格的平均值作为价格参数。这样能使艺术品的评估价格的取值范围较广，更接近真实市场的平均价格，相比主流市场会有偏低的情况，比较适用于拟购作品和普通艺术品估价。在市场衰退期有较大的参考意义。

进一步地，所述上界P

具体地，模型会参考对艺术品价格具有影响的因素，比如：宏观经济走势数据、有重大影响的社会性事件、极知名艺术家的研究文献发表等，对应地加入了上述的变量和权重。

进一步地，加入其它权重，所述上界P

所述下界P

其中，qA、qB、qA′、qB′、rA、rB、rA′、rB′均为稀疏矩阵。

与现有技术相比，本发明的有益效果为：

(1)以艺术家关系网、舆情情况、市场价格进行相关性计算，评估出艺术品的价格变化倾向。

(2)设计不同价格参数的计算方式以适应不同的情况，使评估的价格与真实的交易价格更为贴近。

(3)考虑多种对艺术品具有影响的因素，添加对应的变量及权重，使艺术品的评估价格更为准确。

附图说明

图1为本发明的流程图；

图2为本发明的艺术家关系网络示意图。

具体实施方式

本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

实施例

本实施例提供一种艺术品价格评估的方法，图1为本发明的流程图，如图所示，包括：

步骤S1：收集数据，建立数据集；

所述数据集包括艺术家数据集、艺术品数据集和舆情数据集；

其中，艺术家数据集用于存储个人信息和人际关系；

艺术品数据集用于存储艺术品的物品信息和交易记录；

舆情数据集用于存储与艺术品、艺术家相关的舆论新闻；

步骤S2：计算出艺术家数据集、艺术品数据集和舆情数据集之间的相关性；

步骤S3：根据数据集之间的相关性对艺术品进行评估，获取评估价格。

具体地，首先，对艺术家数据进行收集，数据的主要来源为搜索引擎和以wiki体系架构构建的各大知识库网站。通过搜索引擎页面收集数据，并且提取关键字，进行wiki api调用、SPARQL语言查询操作，收集数据格式主要为JSON格式。然后，对艺术品数据进行收集，包括艺术品的物品信息和交易记录，交易记录主要来自于各大可信公开数据平台。对艺术品数据批量获取后，进行数据清洗，将非结构数据，主要是字符串数据整理为可直接存储运算的结构数据。最后，对舆情数据进行收集，一般收集的方式为：对舆情信息按时间、艺术品/艺术家/事件、关键词三个维度进行收集和存储。

进一步地，所述步骤S1包括：

步骤S1.1：收集艺术家的个人信息和人际关系；

对艺术家的个人信息和人际关系依次进行路径分析、关联分析和节点聚类，以此将不同的艺术家进行关联；

根据关联后的艺术家的个人信息、人际关系建立艺术家数据集；

步骤S1.2：收集艺术品的物品信息和交易记录，根据物品信息和交易记录建立艺术品数据集；

步骤S1.3：收集数据与艺术品、艺术家相关的舆论新闻；

根据舆论新闻计算出舆论热度；

根据舆论新闻和舆论热度建立舆情数据集。

具体地，收集艺术家的个人信息和人际关系，以艺术家为节点，根据人际关系将节点连接起来，并且依次进行路径分析、关联分析和节点聚类，形成艺术家关系网络。其中，路径分析就是将节点和节点间连接后，进行图的分析，如深度、广度，计算最短路径、关键路径等；关联分析就是对常一起出现的数据进行关联度、规则等分析；节点聚类就是对大量节点进行分类，因为一般艺术家关系网络内节点不多，因此最通用的是K-Means算法。

收集艺术品的物品信息和交易记录，然后从其中提取拍卖项，再从拍卖行平台调取公开的拍卖数据，两者进行核实和更新。最终根据所有的艺术品数据制成数据库结构化表格，数据包括艺术品的作者、作品名、创作时间、分类、长、宽、成交价、拍卖行、拍卖日期、流拍、面积、成交价提升比例范围、单位面积价格等。所述交易记录为艺术品所有的交易信息，包括拍卖项和非拍卖项，拍卖项为在拍卖会上所产生的交易信息，非拍卖项为在非拍卖场合所产生的交易信息，如个人与个人/组织的交易信息。

收集与艺术品、艺术家相关的舆论新闻，计算出舆论热度，舆论热度的高低由艺术品/艺术家相关的新闻条数或新闻网页页数决定，最常用的计算方法为：(1)由新闻条数或新闻网页页数作为舆论热度的数值，数值越大舆论热度越高；(2)根据阈值设定热度级别，新闻条数或新闻网页页数超过不同的阈值，则艺术品/艺术家当时的舆论热度级别为阈值对应的等级。

进一步地，所述步骤S2包括：

步骤S2.1：从艺术家数据集、艺术品数据集和舆情数据集中提取目标艺术家的数据；

对目标艺术家的数据进行独立相关性计算；

所述目标艺术家为评估价格的艺术品所属的艺术家；

所述独立相关性为一个数据对另外一个数据产生影响的强弱；

步骤S2.2：对计算完独立相关性的数据进行联合相关性计算；

所述联合相关性为数据数量大于二的数据组对单一数据产生影响的强弱；

步骤S2.3：对计算完联合相关性的数据赋予相应的评估权重。

具体地，相关性的计算分为独立相关性计算和联合相关性计算，进行完相关性计算可根据计算结果赋予数据相应的评估权重。

进一步地，所述步骤S2.1包括：

步骤S2.11：计算目标艺术家数据和相关艺术家数据的独立相关性；

所述相关艺术家为与目标艺术家具有关联的艺术家；

步骤S2.12：计算同一时期/不同时期的目标艺术家数据中不同类型数据之间的独立相关性；

步骤S2.13：根据步骤S2.11和步骤S2.12的计算结果从艺术家数据集、艺术品数据集和舆情数据集中提取独立相关性强的数据。

具体地，首先计算目标艺术家数据和相关艺术家数据的独立相关性，独立相关性的具体计算方法为：首先，根据目标艺术家的人际关系获取与其关联的艺术家，再根据艺术家关系网络获取关联度的强弱，选取关联度强的前几位作为相关艺术家，最后获取目标艺术家与每个相关艺术家共同新闻(即目标艺术家与单独的相关艺术家出现在同一则新闻)的数量，独立相关性的强弱由共同新闻的数量决定。例如，将目标艺术家和某个相关艺术家的舆论热度进行独立相关计算，若某个相关艺术家与目标艺术家出现在同一则新闻的次数不可胜数，证明该相关艺术家的舆论热度与目标艺术家的舆论热度强相关，独立相关性的数值一般为共同新闻的数量，由独立相关性的数值可以判断目标艺术家与该相关艺术家的相关性强弱，两者所创造的艺术品交易价格是否会相互影响。

在本实施例中，目标艺术家为林风眠，相关艺术家包括：徐悲鸿、刘海粟、颜文梁、齐白石、吴冠中、朱德群、常玉。

表1

表1为舆论热度相关性表。由表1可知，林风眠在舆论热度上和刘海粟、齐白石、常玉、颜文梁的相关性更高。

然后计算同一时期的目标艺术家数据中不同类型数据之间的独立相关性，例如，舆论新闻一般分为：交易新闻、正面新闻、负面新闻；与新闻类型分别对应的舆情类型为：交易舆情、正面舆情、负面舆情，舆情类型的值具体由新闻消息的数量决定。若交易舆情与正面舆情强相关(即正面新闻与交易新闻共同出现在同一页面，并且此种页面数量繁多)，则可以判断在同一时期内的正面新闻能促进艺术品交易，正面新闻和交易新闻相关性强。

表2

表2为舆情相关性表。由表2可知，林风眠个人与正面舆情的相关性是大于负面舆情的；而交易舆情与正面舆情的相关性也远大于与负面舆情的相关性，而交易舆情与正面舆情的相关性几乎达到0.92，是明显的强相关。

最后计算不同时期的目标艺术家数据中不同类型数据之间的独立相关性，例如，将目标艺术家本期拍卖会的交易价格与上一期拍卖会的交易价格进行独立相关计算，若本期拍卖会交易的平均价格与上一期拍卖会最低的10个交易价强相关，可以判断艺术品在上一期拍卖中交易价格低了，在此基础上具有升值空间。因此，体现于本期拍卖会的均价上。

表3

表3为拍卖价格相关性表。表3记录的分别是：1.本期拍卖的价格中前10、前20、前30的均价；2.本期拍卖的价格中最后10、最后20、最后30的均价；3.上一期拍卖的价格中前10、前20、前30的均价；4.上一期拍卖的价格中最后10、最后20、最后30的均价；5.林风眠的舆论热度、交易舆情、正面舆情、负面舆情。由表3可知，本期拍卖的均价相关性最高的为交易舆情，其次是正面舆情。从本期拍卖的均价与本期拍卖价格的相关而论，则是与本期拍卖价格前20位的均价相关性高，参考意义更大；而本期拍卖的均价与前期拍卖的价格相关而论，则是本期拍卖的均价与前期拍卖价格倒数10位的均价相关性最高，为反相关。

进一步地，所述步骤S2.2包括：

步骤S2.31：对计算完独立相关性的数据进行回归分析；

步骤S2.32：对回归分析后的结果进行T检验；

步骤S2.33：从检验结果中提取联合相关性强的数据。

具体地，联合相关性计算具体为回归分析和T检验，回归分析确定多个数据间相互依赖的定量关系，T检验能获取出统计量(t-Stat)，统计值能判断参数的显著程度，也就是参数对模型的贡献量大小，是否可以剔除。从中统计值筛选出低于阈值的统计量，剩下的都为强相关的数据。

表4

表4为统计量表。由表4可以得知所有t-Stat的量，去除其中低于阈值可得到相关性强的项。

进一步地，所述评估价格为一个区间，所述区间具有上界P

所述下界P

其中，n、m为艺术品的分类数量；i、j为当前艺术品的分类序数；q

具体地，

qA、qB、qA′、qB′和rA、rB、rA′、rB′均为稀疏矩阵，以矩阵形式存储和运算，一方面能保证不忽略某价格参数和另一个/多个参数对应的权重的对应关系，但这些矩阵为稀疏矩阵，大多数时候为0，矩阵只有对角线上有元素；即使均不为0，为了计算效率也会将极其小的值进行省略，(目前参数设计为0.003以下的值就进行省略。)因此一般简化为上述的形式。另一方面，可以使用其他矩阵运算。简要说来就是可以将参数视做向量，比如目标艺术家本次运算出来的参数是向量LFM1，下一次运算出来的为向量LFM2，可以计算LFM1和LFM2的夹角，以考察其变化程度。还可以计算目标艺术家和相关艺术家的向量夹角以考察整体的相关性，最终达到更全面精确的效果。

上述的矩阵可知，上界P

进一步地，所述价格参数q

对评估艺术品进行分类，所述分类数量为n；

根据评估艺术品的类别i获取类别相同、作者相同的所有艺术品价格；

对获取到的类别为i的所有艺术品价格的平均值进行计算；

从获取到的类别为i的所有艺术品价格中选取出高价位价格，并且算出平均值；

所述高价位价格为高于类别为i的艺术品价格平均值的价格；

所述价格参数q

对评估艺术品进行分类，所述分类数量为m；

根据评估艺术品的类别j获取类别相同、作者相同的所有艺术品价格；

对获取到的类别为j的所有艺术品价格的平均值进行计算；

从获取到的类别为j的所有艺术品价格中选取出中价位价格，并且算出平均值；

所述中价位价格为高于类别为j的艺术品价格平均值，低于的高价位价格的价格；

所述价格参数q

具体地，价格参数具有两种计算方法，两种方法最主要的区别就是基于的采用数据的不同。第一种是采用艺术品10年以上的成交记录作为数据，以最高的成交价至较为中等的成交价进行价格参数的计算。这样，能把优秀作品的估值上下界限定在较小的范围之内，相比全市场估值会有偏高的情况，比较适用于知名艺术家、优质作品和在库藏品估价。在市场上升期有较大的参考意义。

进一步地，所述价格参数q

对评估艺术品进行分类，所述分类数量为n；

根据评估艺术品的类别i获取类别相同、作者相同的所有艺术品价格；

对获取到的类别为i的所有艺术品价格的平均值进行计算；

所述平均值与价格参数q

对评估艺术品进行分类，所述分类数量为m；

根据评估艺术品的类别j获取类别相同、作者相同的所有艺术品价格；

对获取到的类别为j的所有艺术品价格的平均值进行计算；

所述平均值为价格参数q

具体地，第二种采用近5年按春秋拍成功交易的价格为数据，采用所有成功交易价格的平均值作为价格参数。这样能使艺术品的评估价格的取值范围较广，更接近真实市场的平均价格，相比主流市场会有偏低的情况，比较适用于拟购作品和普通艺术品估价。在市场衰退期有较大的参考意义。

进一步地，所述上界P

具体地，模型会参考对艺术品价格具有影响的因素，比如：宏观经济走势数据、有重大影响的社会性事件、极知名艺术家的研究文献发表等，对应地加入了上述的变量和权重。

进一步地，加入其它权重，所述上界P

所述下界P

其中，qA、qB、qA′、qB′、rA、rB、rA′、rB′均为稀疏矩阵。

根据上述的步骤及矩阵，以林风眠的艺术品(已知成交价)为例：

q

q

q

q

上述的均价均值对应的r

通过对所有的价格参数*权重的求和，并且考虑其它变量及权重，得出上界P

q

q

q

q

上述的均价均值对应的r

通过对所有的价格参数*权重的求和，并且考虑其它变量及权重，得出下界P

即评估价格区间为[1706317.28,4709918.35]，由区间可判断该画具有一定的升值空间。

显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。